Modelado de riesgo de crédito

Samuel David Roncal Vidal

Universidad Peruana Unión, Escuela de Posgrado, Facultad de Ingeniería de Sistemas y
Arquitectura,
Km 19 Carretera Central, Ñaña, Lurigancho, Lima 15, Perú
samuel.roncal@upeu.edu.pe

Abstract
The risk is the valuation of a probable future situation that can cause damage, whose base is uncertainty. So the credit
is defined as a risk operation in which the creditor relies on a change of guarantee that the borrower has fulfilled with
the payment obligations of the capital received. There is risk in any situation in which it is not known precisely that it is
present, being able to predict what is going to happen becomes a necessity to avoid a decision that could end up in a
negative situation for the creditor. To deal with this situation, models have been designed to mitigate credit risk,
applying techniques and methods that interpret data sets and try to predict the future condition of the credit to be
granted. Support Vector Machine (SVM), a supervised learning method that generates input and output mapping
functions of a tagged training data set

1. Keywords: Support Vector Machine, Credit Risk Modelling

Resumen
El riesgo es la valorización de una situación probable futura que puede ocasionar un daño, cuya base es la
incertidumbre. Así mismo el crédito se defina como una operación de riesgo en la que el acreedor confía a cambio de
un garante considerando que el prestatario cumplirá con las obligaciones de pago del capital recibido. Existe riesgo en
cualquier situación en que no se conoce precisamente que ocurrirá, el poder predecir qué es lo que ocurrirá se
convierte en una necesidad para evitar tomar una decisión que pueda concluir en un una situación negativa para el
acreedor. Para poder tratar con esta situación se han elaborado modelos que permiten mitigar el riesgo crediticio,
aplicando técnicas y métodos que interpretan conjuntos de datos e intentan predecir la condición futura del crédito a
otorgar. Un método que permite evaluar el riesgo crediticio es el Support Vector Machine (SVM), un método de
aprendizaje supervisado que genera funciones de mapeo de entrada-salida a partir de un conjunto de datos de
entrenamiento etiquetados. FALTA METODOLOGÍA y RESULTADOS

1. Palabras clave: Support Vector Machine, Modelamiento de riesgo crediticio

Área temática: Métodos supervisados de aprendizaje, Inteligencia Artificial

Introducción

En la actualidad, si una persona presenta excedentes monetarios que lo llevan a querer prestar estos recursos, incurrirá
en altos costos al tratar de reunir información para encontrar un prestatario que pueda cumplir con las condiciones
previstas para el pago del crédito. Adicionalmente, buscará que el prestatario no suponga un riesgo para su capital
prestado, que le garantice la disponibilidad de sus recursos en un momento determinado y que a su vez le paguen
retorno o premio por prestar sus recursos. De la misma manera, el agente que necesite un préstamo, también incurrirá
en costos al tratar de reunir información para encontrar a un ahorrador que confié en su capacidad de pago, le preste
justo el monto de dinero que necesita y a un bajo costo. [1]

Para poder crear un puente entre ambos actores del crédito nacen los intermediarios financieros, Sinkey menciona que
el objetivo principal de los mismos es proporcionar un medio de intercambio (de recursos y de pagos) a las unidades
económicas que tienen superávit y a las que tienen déficit. Del mismo modo, permitir a los agentes económicos realizar
operaciones financieras con menores costos. [2]

Uno de los problemas existentes en el riesgo de crédito es la información asimétrica, la cual, surge cuando una de las
partes que participantes de la transacción, posee información que no comparte con el otro. Estos problemas dificultan
la gestión para cuantificar el riesgo de crédito, ya que una de las partes intervinientes en la relación del crédito, en este
caso el deudor, siempre tendrá ventaja sobre el acreedor en lo que se refiere a la información como flujo de caja,
hábitos de pago, uso del préstamo, etc.

A lo largo de toda la evolución del riesgo crediticia y desde sus inicios el concepto de análisis y criterios utilizados han
sido los siguientes: desde principios de 1930 la herramienta clave de análisis ha sido el balance. A principios de 1952, se
cambiaron al análisis de los estados de resultados, lo que más importaban eran las utilidades de la empresa. Desde
1952 hasta nuestros tiempos el criterio utilizado ha sido el flujo d caja. Se otorga un crédito si un cliente genera
suficiente caja para pagarlo, ya que los créditos no se pagan con utilidad, ni con inventarios ni menos con buenas
intenciones, se pagan con caja. [3]

Históricamente el riesgo de crédito es el más antiguo y el que mayor importancia tiene en términos de las pérdidas
potenciales que su inadecuado manejo puede implicar, el riesgo de crédito puede definirse como la pérdida potencial
ocasionada por el hecho de que un deudor incumpla con sus obligaciones de acuerdo con los términos establecidos por
el acreedor. [1]

El sistema inteligente se desarrolló con la metodología de minería de datos CRISP-DM porque es un estándar para
elaborar este tipo de soluciones. Además se utilizó redes neuronales multicapa porque es una técnica que tiene mayor
rendimiento en la predicción de morosidad según las investigaciones recientes. Las redes neuronales, está conformada
por un conjunto de neuronas conectadas entre sí. Además tiene un funcionamiento similar al cerebro humano, poseen
parámetros de entrada que procesa la red y luego devuelve un resultado.

El resto de éste trabajo está organizado de la siguiente manera. En la sección 2, está la literatura de investigaciones
recientes. En la sección 3, se detalla la metodología utilizada en la investigación. En la sección 4, se observa los
experimentos y resultados del sistema inteligente neuronal XCREDIT-SCORE, En la sección 5, se muestra las
conclusiones del trabajo. En la sección 6, se detalla los trabajos futuros y Finalmente en la sección 7, se encuentran las
referencias bibliográficas.

1 Estado de Arte

1.1 Arboles de Decisión de Agregación Vertical - VBDTM

Defu, Z (2010), propone un modelo llamado Arboles de Decisión de Agregación Vertical (abreviado en VBDTM) para la
calificación de créditos. El modelo VBDTM combina la teoría de los conjuntos aproximados, generando subconjuntos de
entrenamiento por medio de la agregación vertical, árboles de decisión [7].
Los componentes del Modelo son: Arboles de Decisión C4.514, Teoría de Conjuntos Aproximados y Agregación.
El VBDTM ha sido probado con dos bases de datos de créditos de UCI Repositorio de Componentes de Aprendizaje, y
los resultados experimentales muestran que el método tiene una precisión alta, un rendimiento hasta 81.64% y
91.97%.

2 Metodología de la Investigación

En la primera parte de la metodología se presenta el modelo conceptual del proceso de aprendizaje de las
características de los clientes morosos en las bases de datos de créditos de la banca pública, este conjunto de
actividades permite la obtención de patrones de créditos morosos. En la segunda parte se desarrolla la metodología
CRISP-DM, con el objetivo de guiar en forma estructurada el proceso de minería de datos compuesto por: compresión
de datos, preparación de datos, elaboración del modelo y implementación.

La propuesta del sistema inteligente vea la figura 2, consiste en recopilar los datos históricos transaccionales de crédito
(31 de julio 2012 y 31 enero del 2013). Los datos de muestreo son el 90% que servirán para el proceso de
entrenamiento del algoritmo neuronal y la diferencia para el proceso de evaluación. Los datos de transacciones buenas
y morosas se conjugan con las bases de datos del cliente, datos de las cuentas de ahorros, ingresos y del sistema de
evaluación de créditos con el fin de obtener variables relevantes para el análisis.

Fig. 2. Modelo conceptual de Sistema inteligente para predecir la morosidad

2.1 Fase I. Comprensión del negocio
La primera tarea, es que funcionarios de la banca pública deben de conocer acerca de la importancia de la minería de
datos en el negocio, además los beneficios que se puede obtener con estas soluciones.
La segunda tarea, consiste en la evaluación inicial de herramientas y técnicas, la banca pública tiene una infraestructura
tecnológica heterogénea basada en un computador Central Mainframe sobre el Sistema Operativo z/OS y plataforma
distribuida en Linux y Windows. Los repositorios de almacenamiento de información de sus operaciones
transaccionales y operacionales son: Base de Datos CA-Datacom ver 10, Archivos VSAM, Motor de base de datos
Microsoft® SQL Server® 2008 R2, y Oracle 10g release 2. En la presente investigación se utilizó las siguientes
herramientas:

En la fase de entendimiento de los datos se usó la herramienta J2SE Java2 Estándar Edition. Este producto tecnológico
permite extraer y transformar datos de diversos orígenes de datos como: CA-Datacom, VSAM, Informix, Sql server y
Oracle y, después cargar las variables relevantes en una base de datos destino en un Oracle 10g.

En la fase de preparación de los datos se usó la herramienta IBM® SPSS Statistics. El software permite la categorización
de los datos en forma sencilla y visual ofreciendo alternativas para determinar los límites de cada grupo. La
herramienta permite crear variables categóricas a partir de variables escalares.
En la fase de Modelo se utilizó la herramienta (Waikato Environment for Knowledge Analysis - Entorno para Análisis del
Conocimiento de la Universidad de Waikato). Este software posee librerías que pueden ser reutilizados invocados
desde otros programas, esto facilita en gran parte en la elaboración del modelo.

2.2 Fase II. Comprender los datos

Con respecto a la compresión de datos tiene el objetivo de entender los datos acorde al proceso del negocio en la tabla 2
se observa la descripción de las columnas de la tabla de datos para el modelo de predicción de morosidad.

CÓDIGO DESCRIPCIÓN
ESTC Estado civil es una variable categórica tiene cinco categorías (Soltero, Casado, Viudo, Divorciado y Otro), según el modelo de
negocio y los datos de registro nacional de identidad y estado civil
SEXO Sexo es una variable categórica que tiene dos segmentos (Masculino y Femenino)
CARG Cargo variable categórica, tiene cinco segmentos (Ninguna, Director, Trabajador, Director Funcionario), cada uno de ellos identifica
la relación que tiene el cliente con el banco, esto según el modelo de negocio.
EDAD Edad es una variable escalar, el cliente debe tener desde los dieciocho hasta los ochenta y cuatro años para acceder a un préstamo.
Todo esto según el modelo de negocio.
Por otra parte el tipo de dato es numérico.
TIPP Tipo de préstamo es una variable categórica, tiene tres segmentos (Clásico, Convenio, Promocional), esta variable identifica el tipo
de préstamos que se le va a otorgar a un cliente.
MNTD Monto de préstamo es una variable escalar, este valor indica la cantidad de dinero que el cliente solicita al momento de un
préstamo, estos por lo general están entre los S/.2000 hasta los S/.50, 000.
DURP Duración de préstamo es una variable escalar, tiene una unidad de medida en meses. Además, debe tener un plazo de 12 a 60
meses, por lo general los segmentos se agrupan en un intervalo de 12 meses.
RSBS Calificación SBS es una variable categórica, tiene cinco segmentos de clientes según SBS (Normal, Cliente con problemas
potenciales, Deficiente, Dudoso, Perdida), cada cliente que solicita un préstamo debe pertenecer a un segmento, según el modelo
de negocio y SBS.
TELE Teléfono es una variable de tipo escalar. Este es un valor opcional que proporciona el cliente al momento de su préstamo. Para
facilitar el análisis de datos se ha optado por segmentar en dos tipos (Tiene y No tiene teléfono).
TDEU Tipo deudor es una variable categórica que tiene cinco segmentos (Normal, Con probabilidad Potencial, Deficiente, Dudoso,
Perdida), según el modelo de negocio.
CCNP Días atrasados en los últimos seis meses, este es una variable escalar. Indica el número de días que el cliente se ha atrasado en sus
cuotas de los últimos seis meses. Según el modelo de negocio este valor tiene que tener un valor de 0 hasta 180 días valor
aproximado.
Esta variable es de tipo de dato numérico, por otra parte, la tabla de donde se obtiene este valor es el “Maestro de Cuentas”,
1→Vigente, 2→Cancelado, 3→Vencido, 4→Judicial, 6→ Cancelación especial, 8→Castigados.
Por otra parte, los días de morosidad que tiene el cliente en sus cuotas es un indicador que puede identificar a los clientes malos y
buenos, es usual considerar: para un tiempo de análisis de 6 meses.
Días de mora <= 60 días, entonces el transacción es Bueno
Días de mora > 60 días, entonces el transacción es Moroso

Tabla 2. Descripción de variables

2.3 Fase III. Preparación de los datos

En cuanto a la preparación de datos, esta fase tiene el objetivo preparar y seleccionar la información adecuada para el
modelo. Para garantizar la precisión de los pesos obtenidos del algoritmo neuronal, se ensayó y validó el modelo con
dos conjuntos de datos diferentes: datos de entrenamiento y datos de prueba. En la tabla 3 esta representa la
distribución del número de transacciones utilizadas para el proceso de ensayo y validación en base a la información de
2114 clientes en el periodo de julio 2012 y enero del 2013. Para el entrenamiento se consideraron 1769 transacciones
para el entrenamiento (1570 transacciones buenas y 199 morosos) y 345 transacciones para la validación.

Transacciones de entrenamiento
Variable Transacciones
Bases de datos Tabla TRX prueba
ejemplo Buena Moroso
E S
Oracle DATA_BN 11 1 1769 1570 199 354

Tabla 3. Distribución de las transacciones de entrenamiento y prueba

2.4 Fase IV. Modelado

En cuarta parte se especifica los ensayos realizados en la prueba del algoritmo neuronal.

2.5 Fase V. Implementación

Esta fase reside en la presentación del conocimiento conseguido de forma clara y precisa a todos los actores dentro de
la organización. Se puede presentar un simple informe de resultados, plasmar el sistema inteligente neuronal en una
aplicación para la presentación de los resultados o bien instruir al usuario de los modelos para que ellos mismos
generen y ejecuten los modelos con nuevos datos. Es importante al final de esta fase tener elaborado la solución para
dar independencia al usuario final en la utilización y generación de nuevos procesos de explotación de datos. El ámbito
definido en el presente trabajo no abarca esta fase.

2.6 Fase VI. Despliegue

El sistema inteligente neuronal del trabajo de investigación lleva el nombre de XCREDIT-SCORE, el cual requiere
hardware y software que son requeridos para su ejecución y buen funcionamiento en su puesta a producción. La tabla
4 detalla software y hardware.

SOFTWARE HARDWARE
SISTEMAS OPERATIVOS
1. Servidores Servidor de aplicaciones. 4 procesador up de
Sistema Operativo Linux. Red Hat 4 3.0Ghz.10GB RAM, 2x146GB Disco Duro,2 tarjetas de
2. Estaciones de Trabajo red de 100/1000 Arquitectura Blade y con VMWARE.
Windows XP, Windows 2003
SERVIDORES DE APLICACIONES y WEB
Servidor de Base de Datos. 4 procesadores up de 3.0
WebSphere Network Deployment WAS – ND (Soporte
Ghz ,10GB RAM, 2x146GB Disco Duro,2 tarjetas de red
de Java versión 1.5, J2EE).
de 100/1000 Arquitectura Blade y con VMWARE.
WebSphere Aplication Server 6.1 WAS (Soporte de
Java versión 1.5, J2EE).
Load Balancer Http Server IBM. Estaciones de trabajo.Intel Core 2 Duo, 2 gb DDR2
SERVIDORES DE BASE DE DATOS RAM, 80 GB
Motor de BD Oracle 10g
SERVICIOS ADICIONALES
Exchange Server
Conector para SQL Server 2008
Conector para CA-Datacom
Conector para Archivos VSAM
Conector para Oracle 10g
LDAP / Active Directory
 Tabla 4. Software y Hardware de XCREDIT-SCORE

3 Experimentos y Resultados

Esta parte trata del proceso de entrenamiento del algoritmo neuronal, se sometió a diferentes contextos donde se busca
el mejor resultado que ejemplifique a la población de muestra. Posteriormente, se expone el procedimiento de
verificación.

Se ha elaborado el paquete motor de evaluación basado en un algoritmo neuronal, que permite la clasificación de los
patrones de conducta de las transacciones buenas y morosas. El paquete está conformado de las funcionalidades:
Funcionalidad 1: Obtención de la mejor red neuronal (Proceso de entrenamiento del algoritmo neuronal).
Funcionalidad 2: Validación de patrones de comportamiento (Proceso de validación de los pesos obtenidos).

3.1 Parámetros iniciales de entrenamiento

El proceso de entrenamiento ejecuta el algoritmo neuronal para 5 escenarios. En la tabla 5 se detalla los
parámetros usados en la ejecución del algoritmo. Se tomó como muestra 1769 transacciones de crédito
distribuidas en 1570 transacciones buenas y 199 transacciones morosas.

Parámetros
# Muestra Variable Variable
Cap Neuron
dependien independien
B M a a
te te
157 19
1 1 3 11 1
0 9
157 19
2 1 4 11 1
0 9
157 19
3 1 5 11 1
0 9
157 19
4 1 6 11 1
0 9
157 19
5 1 7 11 1
0 9

Tabla 5. Parámetros usados en el proceso de entrenamiento

3.2 Resultados de entrenamiento

El resultado del entrenamiento se observa en una matriz de error absoluto, para ello se consideraron cinco
modelos y para cada uno de ellos se tuvo que variar el número de neuronas. En el cuarto ensayo se encontró el
error mínimo en la configuración de 1 capa con 6 neuronas con 0.0634 error absoluto.

Capas por Neuronas 1x3 1x4 1x5 1x6 1x7

0.089
0.0831 0.0735 0.0634 0.0707
Raíz del error absoluto 4

Tabla 6. Matriz del error absoluto

3.3 Análisis comparativo

Se realizó con la finalidad de comparar la precisión entre el modelo convencional de calificación de la banca
nacional del Perú y Modelo neuronal, La banca pública del Perú obtuvo una precisión de 88.27% y modelo
XCREDIT-SCORE 98.03%. Esto quiere decir que se logró incrementar la precisión en 9.76% (Ver tabla 7).

BANCO DE LA NACION MODELO XCREDIT-SCORE

 Predicción Predicción
M B M B
Real M 60 100 160 145 15 150
B 1 700 701 2 699 701
61 800 861 137 714 861
0.882694541 0.980255517
PRECISION 88.27% 98.03%

Tabla 7. Matriz de confusión del análisis comparativo

4 Conclusiones

El trabajo de investigación propuso un modelo de redes neuronales y los experimentos numéricos mostrados en la
sección 4.3 muestran una tasa de aciertos en 98.03% esto quiere decir un alto rendimiento, con esto se alcanzó el
objetivo principal de la tesis. En la revisión del análisis comparativo, la precisión de las variables TP y TN bordeó los
844 aciertos que equivale al 98.03% de un total de 861 registros; 15 transacciones que el sistema dejó pasar siendo
morosas (FP) y 2 transacciones que no permitió realizar el otorgamiento (FN).

En la revisión de literaturas para la predicción de la morosidad tales como: Arboles de Decisión de Yap B, Arboles
Decisión de Agregación Vertical (VBDTM) de Defu Z, Programación Genética de Hussen A y aprendizaje redes
neuronales de Pointon-J; los resultados de los autores muestran que las técnicas de predicción de morosidad basadas en
redes neuronales han alcanzado un mejor nivel de precisión, el rendimiento del modelo llegó a 93.98% a comparación
de los otros modelos. Otros autores plantean el empleo de los algoritmos de redes neuronales en combinación con otras
estrategias con el fin de obtener mejores resultados.

En la identificación de variables que permiten predecir la morosidad son 8 variables de Pointon J., 8 variables de
Hussein y 4 variables de Yap. Posteriormente se llegó a consolidar 11 variables para predecir la morosidad.

En el presente trabajo se ha presentado una propuesta de predicción de la morosidad basada en un algoritmo neuronal.
La propuesta se materializó en un producto de software que permite la simulación de escenarios con datos de
transacciones buenas y morosas. Posteriormente el software verifica los pesos obtenidos empleando la matriz de
confusión que permiten comparar los valores reales del dominio problema versus los datos obtenidos del modelo
propuesto. En el proceso de desarrollo del software se tomó como guía las disciplinas de RUP y para las actividades de
minería de datos, se aplicó la metodología CRISP-DM.

El software XCREDIT-SCORE diseñado, servirá como base para la construcción de un sistema de gestión, prevención
de ocurrencias de morosidad. La implementación del software XCREDIT-SCORE permitirá el monitoreo y análisis de
transacciones en forma rápida y en línea, aplicado a los diversos canales de atención. Se ha desarrollado el paquete
motor de evaluación de crédito, el cual permite conocer el comportamiento de los clientes y sus créditos en base a la
categorización de 4 continuas o escalares y 7 variables categóricas. En el proceso de entrenamiento del algoritmo se
observó que el aumento de iteraciones mejoraba la precisión. En el análisis del cuarto escenario de pruebas se obtuvo 18
pesos con un porcentaje del 97.29 % de cobertura de los 1769 registros de muestra (1570 transacciones buenas y 199
transacciones morosas).
5 Trabajos Futuros
El mecanismo de categorización de las variables continuas usadas en el presente trabajo tiene algunas limitaciones al ser
definidas mediante el análisis de conglomerados K Medias. Se sugiere adicionar una técnica que permita evolucionar las
variables con base a métodos mejorados como algoritmos evolutivos, neuronales, árboles de decisión u otros, utilizando
funciones de pertenencia ajustables en cada iteración.

El trabajo de investigación sugiere la posibilidad de adicionar la técnica de tratamiento de los valores extremos y
perdidos de cada variable, con el objetivo de reducir la varianza. Este procedimiento alternativo evitará realizar la tarea
de construcción de datos de la fase de preparación de datos CRISP-DM.

Este trabajo de investigación se seguiré adicionar una técnica de selección del número de capas, neuronas y pesos, con el
objetivo de obtener varios modelos. Este procedimiento alternativo mejorará la búsqueda de modelos óptimos.

Se sugiere contemplar, configurar y experimentar modelos de RNA con más de una capa oculta, con el fin de mejorar
los índices de acierto alcanzados en la presente tesis, pues en algunos problemas de predicción con 2 capas ocultas
obtienen mejores resultados.

Este trabajo de investigación sugiere también hibridar el algoritmo neuronal con otras técnicas tales como: algoritmos
evolutivos, regresión logística, vecinos más próximos, máquina de vectores de soporte o árboles de decisión, con el fin
de mejorar el nivel de clasificación.
El presente trabajo sugiere implementar en otros productos financieros de la Banca pública del Perú, así como: créditos
corporativos, grandes, medianas, pequeñas y microempresas e hipotecarios.

6 Referencias

[1] García Sánchez, M., & Sánchez Barradas, C. (2005). Riesgo de crédito en México: aplicación del
modelo CreditMetrics (Licenciatura). Universidad de Las Américas Puebla.
[2] Sinkey, J. (2002). Commercial bank financial management in the financial-services industry. [Place of
publication not identified]: Pearson Education.
[3] Añez, M. (2018). Análisis de riesgo crediticio en instituciones financieras. Retrieved from
https://www.gestiopolis.com/analisis-de-riesgo-crediticio-en-instituciones-financieras/
[4] Banco central de reserva del Peru [ BCRP]. (Diciembre de 2012). Consulta Estadísticas del BCRP. Recuperado
el 15 de Enero de 2013, de http://estadisticas.bcrp.gob.pe
[5] Breiman, L. (1994). Heuristics of instability and stabilization in model selection.
[6] Chapman, P., & otros. (2012). CRISP-DM 1.0 - Step by Step Data Mining (Vol. 1). Londres, Nueva York y
Brúcelas.
[7] Class & Asociados S.A. Clasificadora de Riesgo. (01 de Diciembre de 2011). Sistema Financiero Peruano.
Recuperado el 28 de Febrero de 2013, de http://www.classrating.com/sisfin2011.pdf
[8] Data Mining Consulting KDnuggets. (12 de Febrero de 2013). Data Mining and Analytics Resources. Obtenido
de http://www.kdnuggets.com
[9] Defu, Z., & otros. (2010). Vertical Bagging Decision Trees model for Credit Scoring. Elsevier, I.
[10] Dietterich, T. (2000). An experimental comparison of three methods for constructing ensembles of decision
trees: Bagging, boosting, and randomization. 139–157.
[11] Ehrlich, E. y. (2004). The Financial Service Marketing Handbook. Madrid, España: Bloomberg Press
Princeton.
[12] Escoto, R. (2007). Banca Comercial. San Jose, Costa Rica: EUNED.
[13] Flores, H. (2009). Deteccion de Patrones de Daños y Averías en la Industria Automotriz. 287.
[14] Gafre, J. (15 de Noviembre de 2012). Llevamos progreso a todo el Perú. Banco de la Nación.
[15] Hilera, J., & Martinez, V. (2000). Redes Neuronales Artificiales. Madrid, España: RAMA.
[16] Holmes, J. (2009). Credit score the quintessential therapy for a happy pocket. En Credit Scoring (págs.
12-15).
[17] Hussein, A. (2009). Genetic programming for Credit Scoring: The case of Egyptian public sector
banks. Elsevier.
[18] Investorwords Corporation. (12 de Junio de 2013). Investorwords The Biggest,Best Investing Glossary
On the Web. Obtenido de http://www.investorwords.com/
[19] Kruchten, P. (2000). The Rational Unified Process. (U. S. America, Ed.) United States: Publicaciones
Addison Wesley.
[20] Martens, D., & otros. (2009). Comprehensible Credit Scoring models using rule extraction from
support vector machines. European Journal of Operational Research.
[21] Pawlak, Z. (1991). Rough sets: Theoretical aspects of reasoning about data. Kluwer.
[22] Pointon, J., & otros. (2008). Neural nets versus conventional techniques in Credit Scoring in Egyptian
banking. Publicacion Elsevier.
[23] Portal Intranet Banco de la Nación [BN]. (2 de Enero de 2012). Portal Intranet. Recuperado el 15 de
Febrero de 2013, de Préstamos personales Multired: http://www.bn.com.pe/persona-natural/prestamo-
personal.asp
[24] Revista del Banco de la Nacion. (Junio de 2011). Nuestro Banco - Préstamos Multired. Banco de la
Nacion, 44.
[25] Sánchez, E., & García, A. (2006). Redes Neuronales Conceptos fundamentales y aplicaciones a
control automático (Vol. 1). (P. Educación, Ed.) Madrid, España.
[26] Superintendencia de Banca, Seguros y AFP [SBS]. (2012 de Noviembre de 20). Portal Web SBS.
Recuperado el 2013 de Enero de 20, de http://www.sbs.gob.pe/
[27] Transparencia Banco de la Nacion. (2010). Banco de la Nacion. Obtenido de Informe Ejecutivo de la
Evaluación Financiera y Presupuestaria:
http://www.bn.com.pe/transparenciabn/presupuesto/2010/EvaluacionGestionFirma-junio2010.pdf
[28] Valcárcel, S. (2011). Sistema inteligente para calificar alpacas en función a su fibra fina. (U. N.
Marcos, Editor) Obtenido de http://www.cybertesis.edu.pe/sisbib/2011/valcarcel_as/pdf/valcarcel_as.pdf
[29] Vélez, P. (22 de Enero de 2012). Reuters America Latina. Obtenido de http://lta.reuters.com/
[30] West, D. (2000). Neural network credit scoring models. Computers and Operations Research.
[31] West, D., & otros. (2005). Neural network ensemble strategies for financial decision applications. 1131–1152.
[32] Yap, B., & otros. (2011). Uso de la extracción de datos para mejorar la valoración de la capacidad de
pago a través de modelos Credit Scoring. Kuala Lumpur, Malasia: Instituro de Ciencias Matemáticas.
[33] Zhou, x., & otros. (2008). Vertical bagging decision trees model for credit scoring. Elsevier, 7838–
7843.